Enveda获6800万美元B轮融资，开发药物发现搜索引擎

    近日，Enveda Biosciences宣布完成6800万美元的股权和债权融资。本轮融资由Dimension领投，多家新机构投资者的参与，包括FPV，Jazz Venture Partners，Level Ventures，Amino Collective，Allen & Co和Possible Ventures。Enveda目前的所有主要投资者，包括True Ventures，Lux Capital，Wireframe Ventures，Hummingbird Ventures和Two Sigma Ventures也参与了本轮融资。本轮B轮融资的结束使Enveda筹集的总资本达到1.24亿美元。

    Enveda Biosciences是一家生物技术公司，致力于绘制第一张高分辨率的自然世界化学地图，以解决药物发现中最棘手的问题。Enveda的药物发现搜索引擎，建立在代谢组学和机器学习交叉领域多年的前沿进步之上，用于探索大自然未知的化学。作为对其突破性技术的补充，Enveda的团队包括经验丰富的药物开发者，他们与世界领先的数据科学家合作，在制药行业拥有数十年的经验。

    Enveda的新型药物发现平台识别具有独特性质的新化合物。这些化合物克服了小分子的关键挑战。此次融资是由公司平台的突破性里程碑促成，这些里程碑将迅速转化为高度差异化的管道资产。这笔资金将支持这些先导化合物在许多重要靶点和途径中获得临床候选资格，包括细胞因子，受体相互作用，GPCR和炎症小体途径。

    “我们很高兴有这群令人难以置信的投资者参与我们的B轮融资，”Enveda创始人兼首席执行官Viswa Colluru博士说。“我们的投资者是生物技术领域的领导者，为我们提供了建立产品管线所需的资金，同时为未来更强大的集团奠定了基础。他们的支持将使我们能够将我们的领先项目推进到临床试验中，并在蛋白质降解和稳定等新兴模式中扩展我们的平台。我们很高兴能够继续这些努力，并巩固我们在非基因组学天然产物发现方面的领导地位。”

    “通过将尖端技术进步应用于生命科学，我们为世界各地的患者带来希望，”Dimension的联合创始人兼管理合伙人Zavain Dar说。“除了构建多种技术来拓展其平台外，Enveda还生产了处于临床前开发阶段的独特化合物。”

    “虽然我们优先考虑建立和推进我们的内部产品线，但我们将继续与行业领先的制药和生物技术公司在各种治疗领域建立合作伙伴关系，包括炎症，纤维化和其他慢性疾病，”Enveda首席商务官Vanitha Sekar博士说。

相关文章：

机器学习结合质谱，能加速天然产物药物发现？

Medium.com网站上August Allen发布了一篇博客转化天然产物药物发现：利用代谢组学数据进行高保真化学性质预测的机器学习。

天然产物药物发现的核心问题：大海捞针

天然产物是自然对人类的馈赠。到2020 年，有约 30%—60%的 FDA 批准的药物源于自然界的分子。但是自然界中我们已知的天然产物化学不到它总量的10%。这意味着存在一个巨大的、未开发的，来自数十亿年的自然进化的化学池。

那么，为什么天然产物库会在药物发现中失宠呢？主要有以下几点原因：

• 无法快速确定lead-like的优先级 [“化学注释”]

• 无法准确地识别混合物中的生物活性分子 [“生物注释”]

• 无法获得足够的材料来进行临床前、临床和商业开发[“材料获取”]

在 Enveda，我们已经建立了一个技术平台，试图逐个解决这些问题。而现在我们已经成功地解决了化学注释的问题。大约两年前，我们问自己一个问题：如何在不使用核磁共振波谱进行反复试验的情况下找到最有趣、最有吸引力和易于处理的新型化学物质呢？

使用质谱法解锁代谢组学可以扩大天然产物药物的发现

我们使用基于串联质谱 (LC-MS/MS) 的代谢组学来进行药物发现。这种方法可以 (i) 提取从天然来源中提取的化合物的混合物，一次最多提取 1000 个分子，(ii) 使用色谱分离它们， (iii) 将它们通过串联或两级质谱仪。第一阶段 (MS1) 测量单个化合物的质量及其丰度。第二阶段 (MS2) 将化合物分解成碎片，并为每个碎片测量其质量和丰度。

与 NMR 相比，质谱法在数据收集方面具有巨大优势：

• 单个化合物无需分离就可用于分析

• 数以千计的化合物可以在几分钟内进行分析

• 测量每个样本的成本很低

此外，事实证明，质谱硬件远远领先于其配套软件，每个实验产生数百万个数据点，这些数据点主要由定制软件包进行分析。Enveda 的Pieter Dorrestein 帮助扭转了这一趋势，他设计了一些用于存储和搜索质谱原始数据的软件。在此时我们得到了另一个关键因素的帮助：天然产物的代谢组学数据非常适合机器学习。

代谢组学与Transformers的完美匹配

质谱从根本上说是数据表示的问题，MS2二级质谱图在各峰之间缺乏直接的顺序或空间依赖性。我们意识到，这使得它们不适合通过卷积或递归神经网络（CNN或RNN）的传统深度学习。

Transformers是一种神经网络架构，最初是为了捕捉整个文本段落的语言结构，它可能是MS/MS光谱的理想选择。Transformers的自我关注层将允许仅根据碎片的身份来学习复杂的依赖关系，而不需要对MS/MS数据不合适的位置性或排序假设。Transformers的使用只有几年时间，但最近Transformers的商品化使这些强大的模型更容易获得。

将Transformers应用于预测新型化学空间中的特性，得到了很好的效果

利用Transformers，我们建立了机器学习模型MS2Prop，它可以从质谱数据中直接预测新型化合物的化学性质。换句话说，该模型直接从质谱中预测用于药物发现的化合物的化学相关特性，而不依赖于实际或预测的结构。MS2Prop性能的平均R²为70%，这意味着它的预测解释新型化合物在不同结构间的性能变化的准确率为70%左右，这与在数据库中查找最接近的光谱匹配并根据该分子计算属性的默认方法的22%和使用CSI的9%形成对比。（CSI:FingerID是一个公开的工具，它结合了fragmentation tree computation和机器学习。）

MS2Prop首次实现了直接从质谱数据中对新的化学空间做出了准确的决策。

我们正在构建世界上最大的代谢组学数据集，用于训练我们的下一代算法

我们为我们在 MS2Prop 背后的工作感到无比自豪，但这仅仅是个开始。我们知道模型的好坏取决于它的数据。为了保持我们在代谢组学前沿的优势，我们正在构建最大的代谢组学数据集，专门用于机器学习。我们从天然产物化学开始，它在历史上是治疗药物最丰富的来源之一。主动学习策略将帮助我们识别和描述质谱，其特征也最有可能改善我们的模型，然后我们可以主动描述这些质谱，直到我们的模型在所有植物化学空间以及所有的自然化学空间表现良好。

参考资料：

https://medium.com/@august.allen_51342/transforming-natural-product-drug-discovery-machine-learning-for-high-fidelity-chemical-property-94da4cd8ca73